Reflection / Self-Critique - wenn ein Agent sich selbst korrigiert

Reflection (auch Self-Critique oder Reflexion) bezeichnet ein Muster, bei dem ein KI-Agent seine eigene Ausgabe prüft, bewertet und auf Basis dieser Kritik eine verbesserte Fassung erzeugt. Statt die erste Antwort direkt auszuliefern, schaltet der Agent einen zusätzlichen Schritt dazwischen: Er tritt einen Schritt zurück, sucht Schwächen in seinem eigenen Ergebnis und arbeitet sie ein. Das Ziel ist eine höhere Qualität durch mehrere Runden statt eines einzigen Anlaufs.

Die Reflexionsschleife

Reflection läuft typischerweise in einem Kreislauf aus zwei Rollen ab, die dasselbe Modell oder zwei getrennte Instanzen einnehmen können:

1. Entwurf: Der Agent erzeugt eine erste Lösung - eine Antwort, einen Text, ein Stück Code.
2. Kritik: Der Agent bewertet diesen Entwurf anhand von Kriterien: Ist er vollständig? Sind Fehler enthalten? Erfüllt er die Aufgabenstellung? Das Ergebnis ist konkretes, benanntes Feedback.
3. Überarbeitung: Der Agent erzeugt eine neue Fassung, die das Feedback berücksichtigt.

Dieser Kritik-und-Überarbeitungs-Zyklus wiederholt sich, bis die Kritik keine wesentlichen Schwächen mehr findet oder eine Obergrenze an Durchläufen erreicht ist. Besonders wirksam ist Reflection, wenn die Kritik sich an prüfbaren Belegen orientiert - etwa an Testergebnissen bei Code oder an einer Quelle bei einer Faktenbehauptung -, weil das Feedback dann geerdet ist und nicht nur die Meinung des Modells über sich selbst wiedergibt.

Wozu Selbstkritik nützt

• Fehler abfangen: Ein zweiter, kritischer Blick findet Auslassungen und Widersprüche, die im ersten Zug übersehen wurden.
• Anforderungen abgleichen: Der Agent prüft die eigene Ausgabe explizit gegen die Aufgabenstellung, statt sich auf einen einzigen Versuch zu verlassen.
• Qualität ohne menschliches Zutun: Die Verbesserung geschieht innerhalb des Ablaufs, bevor ein Mensch das Ergebnis überhaupt sieht.

Abgrenzung: interne Selbstkritik vs. externe Bewertung

Reflection ist eine interne Schleife: Der Agent bewertet sich während der Ausführung selbst, um sein Ergebnis unmittelbar zu verbessern. Davon zu unterscheiden ist die externe Bewertung, die von außen und unabhängig prüft, wie gut ein System arbeitet:

• AI Evals testen eine KI-Anwendung systematisch gegen definierte Fälle - eine Qualitätssicherung von außen, nicht Teil der Antworterzeugung selbst.
• Agent Evaluation bewertet, ob ein Agent seine mehrstufigen Abläufe insgesamt korrekt durchführt - also die Leistung des Systems, nicht dessen Selbstkorrektur im Moment.
• LLM-as-a-Judge nutzt zwar ebenfalls ein Sprachmodell zum Bewerten, tut das aber als externer Prüfer über fremde Ausgaben. Reflection dagegen richtet die Bewertung nach innen auf die eigene Ausgabe - technisch verwandt, im Zweck aber unterschiedlich.

Kurz: Reflection verbessert eine Antwort während sie entsteht; Evaluation misst hinterher und von außen, wie gut ein System ist. Beides ergänzt sich - eine gute Reflexionsschleife ersetzt keine unabhängige Evaluierung.

Reflection-Agenten bei Elasticbrains

Bei Elasticbrains bauen wir Selbstkritik dort ein, wo sie den größten Hebel hat - mit klaren Kriterien, geerdetem Feedback und sinnvollen Abbruchbedingungen, damit die Schleife die Qualität hebt, statt nur Rechenzeit zu verbrauchen. Wie wir die Zuverlässigkeit von Agenten insgesamt absichern, zeigen wir auf unserer Leistungsseite KI-Agenten testen.